CN109193754A - 一种分布式光伏规划方法及*** - Google Patents

Abstract

一种分布式光伏规划方法及***，方法包括获取配电网***参数；将所述电网***参数代入预先建立的双层规划模型，采用分子微分进化算法进行求解，以求解结果作为规划方案；其中所述双层规划模型包括外层规划模型和内层规划模型，所述外层规划模型为以投资者对分布式光伏电源的年净收益最大为目标，所述内层规划模型以分布式光伏电源的年消纳率最大为目标。***包括数据获取模块和计算模块。本发明运用了分子微分进化算法来求解双层多场景规划模型，具有收敛速度快，局部搜索能力强的优点，又能提高种群的多样性，增强其全局寻优能力。本发明分布式光伏规划方法可为配电网中分布式光伏电源的合理规划提供科学指导。

Description

一种分布式光伏规划方法及***

技术领域

本发明涉及一种分布式光伏规划方法及***，属电力新能源规划技术领域。

背景技术

分布式光伏作为一种清洁能源，接入配电网中不仅可以有效缓解当地的电力紧张格局，还能为光伏投资者带来收益。然而由于传统光伏电源规划时未计及光伏的消纳率，外加国家补贴政策的激励以及不断下降的光伏电源安装成本等因素，常会使得配电网中光伏电源的容量规划值过高。在实际运行中光伏电源渗透率过高往往会使得光伏上网电量过多，导致配电网中出现节点电压越限、***潮流倒送等电能质量问题。为了确保配电网***能够安全稳定地运行，光伏电源常被要求弃光限电来减少其上网电量，结果既造成了能源的浪费，又会导致投资者的收益受损和投资的积极性下降。现有规划模型默认了分布式电源所发出的电量能被全额消纳，实际上在对分布式电源进行规划时，如果忽略了其消纳率，则会导致规划结果存在较大的偏差。

发明内容

本发明的目的是，为了克服现有技术存在的上述缺陷，本发明提出了一种分布式光伏规划方法及***，使得分布式光伏电源容量规划更为合理准确，减少限电弃光现象的发生，同时提高了投资者的收益。

实现本发明目的的技术方案是，一种分布式光伏规划方法，包括获取配电网***参数；将所述电网***参数代入预先建立的双层规划模型，采用分子微分进化算法进行求解，以求解结果作为规划方案；其中所述双层规划模型包括外层规划模型和内层规划模型，所述外层规划模型为以投资者对分布式光伏电源的年净收益最大为目标，所述内层规划模型以分布式光伏电源的年消纳率最大为目标。

所述分子微分进化算法对双层规划模型求解，其步骤如下：

(1)取配电网***线路参数，以及全年的负荷和光照强度数据；采用所述改进K-均值聚类法对全年的“负荷-光照强度”场景进行缩减，得到缩减后指定数量场景的负荷和光照强度数据及其对应的概率；

(2)设置外层分子微分进化算法的基本参数，其中包括种群的规模N_P、维度D，最大迭代次数G_max、分子间的临界距离r₀、变异因子F以及交叉因子C_R，令外层进化代数G＝0；对外层规划模型中的种群变量即光伏电源的安装容量进行初始化，初始种群为S＝[X₁,X₂,…,X_NP]，其中的第i个种群个体表示为X_i＝[x_i,1,x_i,2,…,x_i,D]，第i个个体各维的数据随机产生：

其中，d＝1,2,…,D；randi(·)为产生均匀分布的随机整数函数；而L则为分布式光伏电源的单位额定容量；x_d,max为第d维数据的最大值，x_d,min为第d维数据的最小值；

(3)将外层规划模型中的光伏电源安装容量值传递到内层，设置内层分子微分进化算法的基本参数，参数类型与外层相同；求解内层规划模型中内层目标函数的最大值；最后计算出种群个体每个场景对应的消纳量然后传递回外层规划模型；

(4)根据外层光伏电源的初始容量并结合内层中求解的光伏消纳量计算外层规划模型的初始目标函数值；

(5)计算G＝G+1，对外层种群进行变异、交叉以及校核操作来更新种群；

(6)种群变异，根据构造的变异机制对每个目标向量X_i,G进行变异，产生变异向量Y_i,G+1；

Y_i,G+1＝X_best,G+F(X_r1,G-X_r2,G+V_r1,r2,G)；

其中，X_best,G为进化到第G代时种群的最优个体向量；X_r1,G、X_r2,G分别为第G代时的第r1、r2个个体向量，且i≠best≠r1≠r2；F为变异因子；V_r1,r2,G为第G代时种群个体之间的作用势能；

其中，ε_r1,r2,d为进化到第G代时种群个体向量之间的维差距；ε₀为分子间的临界距离；v_r1,r2,d为种群个体在d维度时的作用势能；ε_d为进化到第G代时种群个体向量之间的维差距；

(7)种***叉，将外层种群的变异向量Y_i,G+1与目标向量X_i,G的各维分量进行随机重组，产生新向量Z_i,G+1；

其中，R为[0,1]之间的随机数；C_R为交叉因子；z_i,d为新向量Z_i,G+1第i个个体d维数据；x_i,d为第i个种群个体d维数据；y_i,d为变异向量第i个个体d维数据；

(8)种群校核，变异交叉操作后部分种群个体可能会出现越界的情况，按下式进行校核：

(9)种群选择，计算校核后的外层种群目标函数值，此时需要再次进入内层规划模型中进行寻优，方法参考步骤(3)，最后按照下式做出贪婪选择：

(10)若G＜G_max，则返回到步骤(5)，进入下一次循环；否则终止寻优过程，输出外层目标的最优值以及相应的光伏电源最佳规划方案。

所述采用改进K-均值聚类法对全年的场景进行缩减，采用如下步骤：

(1)假设用ω_i(i＝1,2,…,8760)表示缩减前全年不同时段的“负荷-光照强度”场景，ω_i＝[ω_i,1,ω_i,2]，ω_i,1、ω_i,2分别表示为i时刻的负荷和光照强度值，K则为指定的缩减场景数；分别计算全年场景集中每个场景与剩余场景的距离d_i,j、每个场景的平均差异度M_i,ave和全年场景集的总体平均差异度M_ave：

其中，j＝1，2，….，8760，且i与j不相等；

(2)将平均差异度最大的场景为第一个聚类中心，并从全年场景集中删掉该场景；

(3)继续寻找剩余场景集中平均差异度最大的场景，作为待选聚类中心，计算其与已选取的聚类中心的距离，并将该场景从全年场景集中删除；

(4)如果步骤(3)中待选为聚类中心的场景与各个已选的聚类中心的距离均大于全年场景集的总体平均差异度，则此场景可作为聚类中心，否则返回到步骤(3)；

(5)如果聚类中心数达到K，则将K个聚类中心存入聚类中心集合T_c＝{ω_k}(k＝1,2,…,K)，否则返回到步骤(3)；

(6)在得到聚类中心集合T_c后，接下来确定剩余场景的集合T_m＝{ω_s}(s＝1,2,…,8760-K)，然后分别计算剩余各场景到各个聚类中心的距离，形成距离矩阵D：

D＝D(ω_s,ω_k)＝||ω_s-ω_k||；

(7)根据距离的大小将剩余各场景重新归类到距离自己最近的聚类中心，此时可以得到K个同类的场景聚类集合C_k(k＝1,2,…,K)；

(8)依次计算K个同类的场景聚类集合C_k中的每个场景与剩余场景的距离之和，然后以最小距离之和值对应的场景ω_k为新的聚类中心；

(9)重复步骤(6)-(8)，直到K个聚类中心不再变化为止，结束场景缩减过程；此时聚类后的每个场景概率为同类场景的概率之和。

所述外层规划模型，其目标函数表示为：

其中，pi为场景i发生的概率；N为安装光伏电源的位置总数；r_s、r_z、r_b分别表示为火电机组脱硫电价、用户购电电价以及国家补贴电价；P_sj,i、P_zj,i分别表示为i场景下位置j处上网的光伏电量和供给用户的光伏电量；S_j为光伏电源在位置j处安装的额定容量值；C₀为单位安装容量成本；γ₀为折现率；n为光伏电源使用寿命；μ₀为运行维护率；

外层规划模型的约束条件为分布式光伏电源安装容量约束为：

S_j,min≤S_j≤S_j,max

其中，S_j,min、S_j,max分别表示为位置j处所安装光伏电源容量的下限和上限。

所述内层规划模型，在外层光伏电源容量确定的基础上，考虑配电网运行约束条件，以光伏年消纳率最大化为目标对光伏电源上网有功出力进行优化削减，由此确定各光伏电源的最优出力值，并传递回外层规划模型用于计算光伏电源年净收益目标值。

所述内层规划模型的目标函数表示为：

其中，P_xj,i表示为i场景下位置j处的光伏电源上网的有功出力削减量；P_Gj,i为i场景下位置j处的光伏电源的有功功率，采用如下计算方法计算P_Gj,i：

其中，E_i为i场景下的光照强度，E_s为额定光照强度；S_j为光伏电源在位置j处安装的额定容量值。

所述内层规划模型的约束条件表示为：

(1)配电网***潮流方程等式约束：

其中，P_j,i、Q_j,i分别为i场景下位置j处注入的有功出力和无功出力；U_j,i为i场景下位置j处的电压值；U_k,i分别为i场景下位置k处的电压值；N_L为配电网节点总数；G_j,k表示为配电网位置j和位置k之间的电导值；B_j,k表示为配电网位置j和位置k之间的电纳值；δ_j,k为位置j和位置k之间的电压相角差。

(2)配电网***电压约束：

U_j,min≤U_j,i≤U_j,max

其中，U_j,min、U_j,max分别为位置j处电压允许值的下限和上限。

(3)配电网导线支路传输电流约束：

I_l,i≤I_l,max,l∈Ω

其中，I_l,i为i场景下第l条支路流过的电流；Ω为配电网***线路的集合；I_l,max为第l条支路允许流过电流的最大值。

(4)光伏电源上网的有功出力削减量约束：

0≤P_xj,i≤P_Gj,i-P_Lj,i

其中，P_Lj,i分别为i场景下位置j处的有功负荷。

(5)配电网反向潮流约束：

其中，P_D,i、Q_D,i分别表示为i场景下位置j之后的有功功率和无功功率；Q_Gj,i表示为i场景下位置j处的光伏电源的无功功率；Q_xj,i表示为i场景下位置j处的光伏电源的无功出力削减量；Q_Lj,i分别为i场景下位置j处的无功负荷。

一种分布式光伏规划***，包括：

数据获取模块，用于获取配电网***参数。

计算模块，与所述数据获取模块连接，将所述电网***参数代入预先建立的双层规划模型采用分子微分进化算法进行求解，以求解结果作为规划方案。

其中，所述双层规划模型包括外层规划模型和内层规划模型，所述外层规划模型为以投资者对分布式光伏电源的年净收益最大为目标，所述内层规划模型以分布式光伏电源的年消纳率最大为目标。

本发明的有益效果是，本发明在对光伏电源的安装容量进行规划时，充分考虑光伏的消纳率，可以减少实际运行中光伏电源的弃光限电问题，显著提高投资者的年净收益。本发明采用改进K-均值聚类法对全年的场景进行缩减，有效改善了传统K-均值聚类法存在随机选取初始聚类中心而导致聚类结果不精确的缺点，提高了聚类场景的拟合精度，减少了双层规划模型的计算量。在求解算法上，本发明运用了分子微分进化算法来求解双层多场景规划模型，与DEA/best和DEA/rand相比，MDEA既具有收敛速度快，局部搜索能力强的优点，同时又能提高种群的多样性，增强其全局寻优能力，兼顾了种群个体寻优的速度和深度。

本发明一种分布式光伏规划方法及***可为配电网中分布式光伏电源的合理规划提供科学指导。

附图说明

图1为本发明分布式光伏规划方法的流程框图。

具体实施方式

本发明的具体实施方式如图1所示。

本实施例一种分布式光伏规划方法实施如以下计算步骤：

1、采用改进K-均值聚类法对全年的场景进行缩减，采用如下步骤：

(1)假设用ω_i(i＝1,2,…,8760)表示缩减前全年不同时段的“负荷-光照强度”场景，ω_i＝[ω_i,1,ω_i,2]，ω_i,1、ω_i,2分别表示为i时刻的负荷和光照强度值，K则为指定的缩减场景数。分别计算全年场景集中每个场景与剩余场景的距离d_i,j以及每个场景的平均差异度M_i,ave和全年场景集的总体平均差异度M_ave。

其中，j＝1,2,…,8760，且i与j不相等。

(2)将平均差异度最大的场景为第一个聚类中心，并从全年场景集中删掉该场景。

(3)继续寻找剩余场景集中平均差异度最大的场景，作为待选聚类中心，计算其与已选取的聚类中心的距离，并将该场景从全年场景集中删除。

(4)如果步骤(3)中待选为聚类中心的场景与各个已选的聚类中心的距离均大于全年场景集的总体平均差异度，则此场景可作为聚类中心，否则返回到步骤(3)。

(5)如果聚类中心数达到K，则将K个聚类中心存入聚类中心集合T_c＝{ω_k}(k＝1,2,…,K)，否则返回到步骤(3)。

(6)在得到聚类中心集合T_c后，接下来确定剩余场景的集合T_m＝{ω_s}(s＝1,2,…,8760-K)，然后分别计算剩余各场景到各个聚类中心的距离，形成距离矩阵D。

D＝D(ω_s,ω_k)＝||ω_s-ω_k||

(7)根据距离的大小将剩余各场景重新归类到距离自己最近的聚类中心，此时可以得到K个同类的场景聚类集合C_k(k＝1,2,…,K)。

(8)依次计算K个同类的场景聚类集合C_k中的每个场景与剩余场景的距离之和，然后以最小距离之和值对应的场景ω_k为新的聚类中心。

(9)重复步骤(6)-(8)，直到K个聚类中心不再变化为止，结束场景缩减过程；此时聚类后的每个场景概率为同类场景的概率之和。

2、外层规划模型的目标函数表示为：

其中，p_i为场景i发生的概率；N为安装光伏电源的位置总数；r_s、r_z、r_b分别表示为火电机组脱硫电价、用户购电电价以及国家补贴电价；P_sj,i、P_zj,i分别表示为i场景下位置j处上网的光伏电量和供给用户的光伏电量；S_j为光伏电源在位置j处安装的额定容量值；C₀为单位安装容量成本；γ₀为折现率；n为光伏电源使用寿命；μ₀为运行维护率。

外层规划模型的约束条件为分布式光伏电源安装容量约束：

S_j,min≤S_j≤S_j,max

其中，S_j,min、S_j,max分别表示为位置j处所安装光伏电源容量的下限和上限。

3、内层规划模型的目标函数及其约束条件

内层规划模型在外层光伏电源容量确定的基础上，考虑配电网运行约束条件，以光伏年消纳率最大化为目标对光伏电源上网有功出力进行优化削减，由此确定各光伏电源的最优出力值，并传递回外层规划模型用于计算光伏电源年净收益目标值。

内层规划模型的目标函数表示为：

P_xj,i表示为i场景下位置j处的光伏电源上网的有功出力削减量；P_Gj,i为i场景下位置j处的光伏电源的有功功率，采用如下计算方法计算P_Gj,i：

其中，E_i为i场景下的光照强度，E_S为额定光照强度。

内层规划模型的约束条件表示为：

(1)配电网***潮流方程等式约束：

其中，P_j,i、Q_j,i分别为i场景下位置j处注入的有功出力和无功出力；U_j,i、U_k,i分别为i场景下位置j处和位置k处的电压值；N_L为配电网节点总数；G_j,k、B_j,k分别表示为配电网位置j和位置k之间的电导和电纳值；δ_j,k为位置j和位置k之间的电压相角差。

(2)配电网***电压约束：

U_j,min≤U_j,i≤U_j,max

其中，U_j,min、U_j,max分别为位置j处电压允许值的下限和上限。

(3)配电网导线支路传输电流约束：

I_l,i≤I_l,max,l∈Ω

其中，I_l,i为i场景下第l条支路流过的电流；Ω为配电网***线路的集合；I_l,max为第l条支路允许流过电流的最大值。

(4)光伏电源上网的有功出力削减量约束：

0≤P_xj,i≤P_Gj,i-P_Lj,i

其中，P_Lj,i分别为i场景下位置j处的有功负荷。

(5)配电网反向潮流约束：

其中，P_D,i、Q_D,i分别表示为i场景下位置j之后的有功功率和无功功率；Q_Gj,i表示为i场景下位置j处的光伏电源的无功功率；Q_xj,i表示为i场景下位置j处的光伏电源的无功出力削减量；Q_Lj,i分别为i场景下位置j处的无功负荷。

4、采用分子微分进化算法对双层规划模型进行求解，其步骤如下：

(1)获取配电网***线路参数，以及全年的负荷和光照强度数据。采用改进K-均值聚类法对全年的“负荷-光照强度”场景进行缩减，得到缩减后指定数量场景的负荷和光照强度数据及其对应的概率。

(2)设置外层分子微分进化算法的基本参数，其中包括种群的规模N_P、维度D，最大迭代次数G_max、分子间的临界距离r₀、变异因子F以及交叉因子C_R等，令外层进化代数G＝0。对外层规划模型中的种群变量即光伏电源的安装容量进行初始化，初始种群为S＝[X₁,X₂,…,X_NP]，其中的第i个种群个体表示为X_i＝[x_i,1,x_i,2,…,x_i,D]，第i个个体各维的数据随机产生。

其中，d＝1,2,…,D；randi(·)为产生均匀分布的随机整数函数；而L则为分布式光伏电源的单位额定容量；x_d,max为第d维数据的最大值，x_d,min为第d维数据的最小值。

(3)将外层规划模型中的光伏电源安装容量值传递到内层，设置内层分子微分进化算法的基本参数，参数类型与外层相同。求解内层目标函数的最大值。最后计算出种群个体每个场景对应的消纳量然后传递回外层规划模型。

(4)根据外层光伏电源的初始容量并结合内层中求解的光伏消纳量计算外层规划模型的初始目标函数值。

(5)计算G＝G+1，对外层种群进行变异、交叉以及校核操作来更新种群。

(6)种群变异。根据构造的变异机制对每个目标向量X_i,G进行变异，产生变异向量Y_i,G+1：

Y_i,G+1＝X_best,G+F(X_r1,G-X_r2,G+V_r1,r2,G)

其中，X_best,G为进化到第G代时种群的最优个体向量；X_r1,G、X_r2,G分别为第G代时的第r1、r2个个体向量，且i≠best≠r1≠r2；F为变异因子；V_r1,r2,G为第G代时种群个体之间的作用势能。

其中，ε_d为进化到第G代时种群个体向量之间的维差距；ε₀为分子间的临界距离。

(7)种***叉。将外层种群的变异向量Y_i,G+1与目标向量X_i,G的各维分量进行随机重组，产生新向量Z_i,G+1：

其中，R为[0,1]之间的随机数；C_R为交叉因子；z_i,d为新向量Z_i,G+1第i个个体d维数据；x_i,d为第i个种群个体d维数据；y_i,d为变异向量第i个个体d维数据。

(8)种群校核。变异交叉操作后部分种群个体可能会出现越界的情况，按下式进行校核。

(9)种群选择。计算校核后的外层种群目标函数值，此时需要再次进入内层规划模型中进行寻优，方法参考步骤(3)，最后按照下式做出贪婪选择。

(10)若G＜G_max，则返回到步骤(5)，进入下一次循环；否则终止寻优过程，输出外层目标的最优值以及相应的光伏电源最佳规划方案。

本实施例一种分布式光伏规划***，包括：

数据获取模块，用于获取配电网***参数；

计算模块，与所述数据获取模块连接，将所述电网***参数代入预先建立的双层规划模型采用分子微分进化算法进行求解，以求解结果作为规划方案。

其中，所述双层规划模型包括外层规划模型和内层规划模型，所述外层规划模型为以投资者对分布式光伏电源的年净收益最大为目标，所述内层规划模型以分布式光伏电源的年消纳率最大为目标。

本实施例中计算模块采用分子微分进化算法进行求解，包括种群变量初始化、内外层数据转换、种群变异子、种***叉、种群校核与选择；所述种群变量初始化对外层规划模型中的种群变量即光伏电源的安装容量进行初始化；所述内外层数据转换将外层规划模型中的光伏电源安装容量值传递到内层，计算出种群个体每个场景对应的消纳量然后传递回外层规划模型；所述种群变异对每个目标向量进行变异，产生变异向量；所述种***叉将外层种群的变异向量目标向量的各维分量进行随机重组，产生新向量；所述种群校核与选择用于变异交叉后的校核和外层种群目标函数值的寻优。内层规划型块通过对光伏电源上网有功出力的优化削减，计算确定各光伏电源的最优出力值；外层规划模型用于计算光伏电源年净收益目标值。

本实施例中数据获取模块获取配电网***的参数。

Claims (10)

1.一种分布式光伏规划方法，其特征在于，所述方法获取配电网***参数；将所述电网***参数代入预先建立的双层规划模型，采用分子微分进化算法进行求解，以求解结果作为规划方案；其中所述双层规划模型包括外层规划模型和内层规划模型，所述外层规划模型为以投资者对分布式光伏电源的年净收益最大为目标，所述内层规划模型以分布式光伏电源的年消纳率最大为目标。

2.根据权利要求1所述的一种分布式光伏规划方法，其特征在于，采用分子微分进化算法对所述双层规划模型求解的步骤如下：

(1)取配电网***线路参数，以及预设周期的负荷和光照强度数据；采用所述改进K-均值聚类法对全年的“负荷-光照强度”场景进行缩减，得到缩减后指定数量场景的负荷和光照强度数据及其对应的概率；

(2)设置外层分子微分进化算法的基本参数，其中包括种群的规模N_P、维度D，最大迭代次数G_max、分子间的临界距离r₀、变异因子F以及交叉因子C_R，令外层进化代数G＝0；对外层规划模型中的种群变量即光伏电源的安装容量进行初始化，初始种群为其中的第i个种群个体表示为X_i＝[x_i,1,x_i,2,…,x_i,D]，第i个个体各维的数据随机产生：

其中，d＝1,2,…,D；randi(·)为产生均匀分布的随机整数函数；而L则为分布式光伏电源的单位额定容量；x_d,max为第d维数据的最大值，x_d,min为第d维数据的最小值；

(3)将外层规划模型中的光伏电源安装容量值传递到内层，设置内层分子微分进化算法的基本参数，参数类型与外层相同；求解内层规划模型中内层目标函数的最大值；最后计算出种群个体每个场景对应的消纳量然后传递回外层规划模型；

(4)根据外层光伏电源的初始容量并结合内层中求解的光伏消纳量计算外层规划模型的初始目标函数值；

(5)计算G＝G+1，对外层种群进行变异、交叉以及校核操作更新种群；

(6)若G＜G_max，则返回进入下一次循环；否则终止寻优过程，输出外层目标的最优值以及相应的光伏电源最佳规划方案。.

3.根据权利要求2所述的一种分布式光伏规划方法，其特征在于，所述对外层种群进行变异、交叉以及校核操作更新种群的步骤如下：

(1)种群变异，根据构造的变异机制对每个目标向量X_i,G进行变异，产生变异向量Y_i,G+1；

Y_i,G+1＝X_best,G+F(X_r1,G-X_r2,G+V_r1,r2,G)；

其中，X_best,G为进化到第G代时种群的最优个体向量；X_r1,G、X_r2,G分别为第G代时的第r1、r2个个体向量，且i≠best≠r1≠r2；F为变异因子；V_r1,r2,G为第G代时种群个体之间的作用势能；

其中，ε_r1,r2,d为进化到第G代时种群个体向量之间的维差距；ε₀为分子间的临界距离；ν_r1,r2,d为种群个体在d维度时的作用势能；

(2)种***叉，将外层种群的变异向量Y_i,G+1与目标向量X_i,G的各维分量进行随机重组，产生新向量Z_i,G+1；

其中，R为[0,1]之间的随机数；C_R为交叉因子；z_i,d为新向量Z_i,G+1第i个个体d维数据；x_i,d为第i个种群个体d维数据；y_i,d为变异向量第i个个体d维数据；

(3)种群校核，变异交叉操作后部分种群个体可能会出现越界的情况，按下式进行校核：

(4)种群选择，计算校核后的外层种群目标函数值，此时需要再次进入内层规划模型中进行寻优，方法参考步骤(3)，最后按照下式做出贪婪选择：

4.根据权利要求2所述的一种分布式光伏规划方法，其特征在于，所述采用改进K-均值聚类法对全年的“负荷-光照强度”场景进行缩减，采用如下步骤：

(1)假设用ω_i(i＝1,2,…,8760)表示缩减前全年不同时段的“负荷-光照强度”场景，ω_i＝[ω_i,1,ω_i,2]，ω_i,1、ω_i,2分别表示为i时刻的负荷和光照强度值，K则为指定的缩减场景数；分别计算全年场景集中每个场景与剩余场景的距离d_i,j、每个场景的平均差异度M_i,ave和全年场景集的总体平均差异度M_ave：

其中，j＝1，2，….，8760，且i与j不相等；

(2)将平均差异度最大的场景为第一个聚类中心，并从全年场景集中删掉该场景；

(3)继续寻找剩余场景集中平均差异度最大的场景，作为待选聚类中心，计算其与已选取的聚类中心的距离，并将该场景从全年场景集中删除；

(4)如果步骤(3)中待选为聚类中心的场景与各个已选的聚类中心的距离均大于全年场景集的总体平均差异度，则将此场景作为聚类中心，否则返回到步骤(3)；

(5)如果聚类中心数达到K，则将K个聚类中心存入聚类中心集合T_c＝{ω_k}(k＝1,2,…,K)，否则返回到步骤(3)；

(6)在得到聚类中心集合T_c后，接下来确定剩余场景的集合T_m＝{ω_s}(s＝1,2,…,8760-K)，然后分别计算剩余各场景到各个聚类中心的距离，形成距离矩阵D：

D＝D(ω_s,ω_k)＝||ω_s-ω_k||；

(7)根据距离的大小将剩余各场景重新归类到距离自己最近的聚类中心，此时可以得到K个同类的场景聚类集合C_k(k＝1,2,…,K)；

(8)依次计算K个同类的场景聚类集合C_k中的每个场景与剩余场景的距离之和，然后以最小距离之和值对应的场景ω_k为新的聚类中心；

(9)重复步骤(6)-(8)，直到K个聚类中心不再变化为止，结束场景缩减过程；此时聚类后的每个场景概率为同类场景的概率之和。

5.根据权利要求1所述的一种分布式光伏规划方法，其特征在于，所述外层规划模型，其目标函数表示为：

其中，p_i为场景i发生的概率；N为安装光伏电源的位置总数；r_s、r_z、r_b分别表示为火电机组脱硫电价、用户购电电价以及国家补贴电价；P_sj,i、P_zj,i分别表示为i场景下位置j处上网的光伏电量和供给用户的光伏电量；S_j为光伏电源在位置j处安装的额定容量值；C₀为单位安装容量成本；γ₀为折现率；n为光伏电源使用寿命；μ₀为运行维护率；

外层规划模型的约束条件为分布式光伏电源安装容量约束为：

S_j,min≤S_j≤S_j,max

其中，S_j,min、S_j,max分别表示为位置j处所安装光伏电源容量的下限和上限。

6.根据权利要求1所述的一种分布式光伏规划方法，其特征在于，所述内层规划模型，在外层光伏电源容量确定的基础上，考虑配电网运行约束条件，以光伏年消纳率最大化为目标对光伏电源上网有功出力进行优化削减，由此确定各光伏电源的最优出力值，并传递回外层规划模型用于计算光伏电源年净收益目标值；

所述内层规划模型的目标函数表示为：

其中，P_xj,i表示为i场景下位置j处的光伏电源上网的有功出力削减量；P_Gj,i为i场景下位置j处的光伏电源的有功功率，采用如下计算方法计算P_Gj,i：

其中，E_i为i场景下的光照强度，E_S为额定光照强度；S_j为光伏电源在位置j处安装的额定容量值；

所述内层规划模型的约束条件表示为：

(1)配电网***潮流方程等式约束：

其中，P_j,i、Q_j,i分别为i场景下位置j处注入的有功出力和无功出力；U_j,i为i场景下位置j处的电压值；U_k,i分别为i场景下位置k处的电压值；N_L为配电网节点总数；G_j,k表示为配电网位置j和位置k之间的电导值；B_j,k表示为配电网位置j和位置k之间的电纳值；δ_j,k为位置j和位置k之间的电压相角差；

(2)配电网***电压约束：

U_j,min≤U_j,i≤U_j,max

其中，U_j,min、U_j,max分别为位置j处电压允许值的下限和上限；

(3)配电网导线支路传输电流约束：

I_l,i≤I_l,max,l∈Ω

其中，I_l,i为i场景下第l条支路流过的电流；Ω为配电网***线路的集合；I_l,max为第l条支路允许流过电流的最大值；

(4)光伏电源上网的有功出力削减量约束：

0≤P_xj,i≤P_Gj,i-P_Lj,i

其中，P_Lj,i分别为i场景下位置j处的有功负荷；

(5)配电网反向潮流约束：

其中，P_D,i、Q_D,i分别表示为i场景下位置j之后的有功功率和无功功率；Q_Gj,i表示为i场景下位置j处的光伏电源的无功功率；Q_xj,i表示为i场景下位置j处的光伏电源的无功出力削减量；Q_Lj,i分别为i场景下位置j处的无功负荷。

7.一种分布式光伏规划***，其特征在于，所述***包括：

数据获取模块，用于获取配电网***参数；

计算模块，与所述数据获取模块连接，将所述电网***参数代入预先建立的双层规划模型采用分子微分进化算法进行求解，以求解结果作为规划方案；

其中，所述双层规划模型包括外层规划模型和内层规划模型，所述外层规划模型为以投资者对分布式光伏电源的年净收益最大为目标，所述内层规划模型以分布式光伏电源的年消纳率最大为目标。

8.根据权利要求7所述的一种分布式光伏规划***，其特征在于，所述计算模块采用分子微分进化算法进行求解，包括种群变量初始化、内外层数据转换、种群变异、种***叉、种群校核与选择；所述种群变量初始化对外层规划模型中的种群变量即光伏电源的安装容量进行初始化；所述内外层数据转换将外层规划模型中的光伏电源安装容量值传递到内层，计算出种群个体每个场景对应的消纳量然后传递回外层规划模型；所述种群变异对每个目标向量进行变异，产生变异向量；所述种***叉将外层种群的变异向量目标向量的各维分量进行随机重组，产生新向量；所述种群校核与选择用于变异交叉后的校核和外层种群目标函数值的寻优。

9.根据权利要求7所述的一种分布式光伏规划***，其特征在于，所述内层规划模型通过对光伏电源上网有功出力的优化削减，计算确定各光伏电源的最优出力值；所述外层规划模型用于计算光伏电源年净收益目标值。

10.根据权利要求7所述的一种分布式光伏规划***，其特征在于，所述数据获取模块获取配电网***参数。